R中的因子和虚拟变量

Question

我是数据分析和学习 R 的新手。我有几个非常基本的问题，我不太清楚。我希望能在这里找到一些帮助。请多多包涵……还在学习中-

我编写了一个小函数来对包含 9 个变量的数据集执行基本的探索性分析，其中 8 个是 Int/Numeric 类型，1 个是 Factor。函数是这样的：

  out <- function(x) 
  {
    c <- class(x)
    na.len <- length(which(is.na(x)))
    m <- mean(x, na.rm = TRUE)
    s <- sd(x, na.rm = TRUE)
    uc <- m+3*s
    lc <- m-3*s
    return(c(classofvar = c, noofNA = na.len, mean=m, stdev=s, UpperCap = uc, LowerCap = lc))
  }

然后我将它应用到数据集：

stats <- apply(train, 2, FUN = out)

但是输出文件的所有变量类都是 Character，所有 Means 都是 NA。经过一番头疼之后，我认为问题出在 Factor 变量上。我使用这个将它转换为数字：

train$MonthlyIncome=as.numeric(as.character(train$MonthlyIncome))

效果很好。但我很困惑，如果不查看数据集我使用上述函数 - 它不会工作。我该如何处理这种情况。

什么时候应该考虑创建虚拟变量？

提前谢谢你，希望问题不要太傻！

Answer 1

请注意，c() 会生成一个向量，并且该向量中的所有元素必须属于同一类。如果元素有不同的类，那么c() 使用能够保存所有信息的最不复杂的类。例如。数字和整数将产生数字。字符和整数将产生字符。

如果您需要不同的类，请使用列表或 data.frame。

out <- function(x) 
  {
    c <- class(x)
    na.len <- length(which(is.na(x)))
    m <- mean(x, na.rm = TRUE)
    s <- sd(x, na.rm = TRUE)
    uc <- m+3*s
    lc <- m-3*s
    return(data.frame(classofvar = c, noofNA = na.len, mean=m, stdev=s, UpperCap = uc, LowerCap = lc))
  }

sum(is.na(x)) 比 length(which(is.na(x))) 快

使用lapply 对每个变量运行函数。使用do.call 附加生成的数据帧。

stats <- do.call(
  rbind,
  lapply(train, out)
)